多目标优化问题（MOPs）在科学研究和工程应用中普遍存在，需要同时优化多个相互冲突的目标。与传统的多目标进化算法不同，后者旨在近似整个帕累托前沿，基于偏好的多目标进化算法（PBMOEAs）结合了决策者的偏好，以指导搜索朝向感兴趣区域（ROI）。本文使用三维分析框架对PBMOEAs进行了重点调查，该框架由偏好表达模式、偏好建模方法和偏好融入机制组成。在该框架下，调查回顾了主要的偏好建模方法和偏好融入机制，进一步讨论了与PBMOEA设计密切相关的三个实际问题：偏好融入的有效性、互动方法的实践限制以及可视化在ROI导向决策支持中的作用。研究结果表明，虽然PBMOEAs提高了决策效率，但它们的性能依赖于偏好的质量、问题特征、认知负荷和方法的适用性。未来的研究方向包括统一建模、综合评估、以人为本的设计以及整合替代模型、可解释学习和LLM辅助接口。
Ren等（Sat，）研究了这个问题。